Testing heterogeneous treatment effect with quantile regression under covariate-adaptive randomization
协变量自适应随机化下的分位数异质处理效应检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究随机实验中的条件分位数处理效应及相应异质性检验。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
协变量自适应随机化下的分位数异质处理效应检验
- 研究问题
- 在协变量自适应随机实验中，如何估计条件分位数处理效应，并处理推断阶段遗漏协变量造成的偏差？
- 方法与思路
- 作者给出一致估计的充分条件，推导分位数回归过程的弱收敛，并以协变量自适应随机化 bootstrap 校准 Wald 检验。
- 材料陈述的贡献
- 摘要称，经 CAR-BS 调整的 Wald 检验在多类随机化程序和不同分位数下控制第一类错误，且不依赖推断协变量的选择。
- 阅读关注点
- 应核对条件分位数效应的目标定义、遗漏变量的一致性条件，以及检验有效性与估计目标正确性之间的关系。
- 阅读边界
- 仅据 OpenAlex 所列摘要；随机化程序范围和具体条件未说明，检验校准有效并不自动保证遗漏变量后的目标不变。
原文摘要
In economic studies and clinical trials , it is prevalent to observe heterogeneous treatment effects that vary depending on the relative locations of units in the distribution of responses. In this study, we propose using quantile regression to estimate and conduct inference for conditional quantile treatment effects (cQTEs) in covariate-adaptive randomized experiments. First, we present sufficient conditions for consistently estimating the cQTEs, concerning the bias due to omitting important covariates in the inference stage. Second, we derive the weak convergence of the quantile regression process and develop a covariate-adaptive randomized bootstrap ( CAR-BS ) for standard error estimation. Our theoretical results indicate that the Wald test adjusted by CAR-BS is valid in terms of the Type I error, for a large class of covariate-adaptive randomization procedures at different quantiles, regardless of the choice of covariates used in inference. We perform extensive numerical and empirical studies to demonstrate advantages of the new method in various settings.